✏️写作：个人博客，InfoQ，，知乎，CSDN
大众号：进击的Matrix
特别声明：原创不易，未经授权不得转载或抄袭，如需转载可联络小编授权。
机器学习是什么
机器学习是更广泛的人工智能范畴的一个分支，它利用计算模型来进行猜测。它通常被描述为猜测建模或猜测剖析的一种形式，传统上，它被定义为计算机在没有明确编程的情况下学习的能力。
在技术的根本术语来讲：机器学习运用的算法可以从前史数据中吸收经验，剖析数据，并在剖析的基础上生成输出。在某些办法中，算法首先处理所谓的“练习数据”，然后学习、猜测，并找到随着时刻推移前进猜测准确性的办法。
人工智能(AI)是什么
在计算机科学中，人工智能范畴是由艾伦图灵于1950年建议的。在接下来的几十年里，随着计算机硬件的开展前进，人工智能范畴得到了政府和行业的大量出资。但是，在这一过程中遇到了严重障碍，该范畴也阅历了几回缩短和平静期。
进一步的开展在20世纪80年代完成，1997年，IBM的国际象棋计算机“深蓝”打败了国际象棋大师加里卡斯帕罗夫，这是人工智能的一个里程碑。2016年，谷歌的AlphaGo打败围棋大师李世石，这是另一个重要的里程碑。曩昔几十年人工智能的其他范畴也取得了巨大的前进，包含机器人技术的开展，以及语音辨认技术的开展。
金融中的机器学习和人工智能(AI)
人工智能和机器学习都受到金融商场的重视，特别的是，机器学习和人工智能影响了量化金融的开展。
例如，在CQF研究所举行的“依据强化学习和隐马尔可夫模型的智能买卖战略”的演讲中，摩根大通的Samit Ahlawat解说说：传统的买卖战略是依据静态规矩的，因为商场变量之间的杂乱相关性，这些规矩或许无法适用于所有类型的商场条件，这或许会混淆此类买卖规矩。可是，有或许从头校准这些规矩的参数，以适应不断改变的商场条件。尽管时刻很重要，从头校准的频率要么交给其他规矩，要么交给专家的人来判别。Samit表明：人工智能和机器学习是处理静态或半静态买卖战略中这一缺陷的有出路的东西。
机器学习的类型
机器学习有三种首要的办法:有监督学习、无监督学习和强化学习，还包含半监督学习在内的混合办法，它可以针对研究人员正在寻求处理的问题进行定制。每种办法都有特定的长处和缺陷，有些技术比其他技术更适合于特定类型的问题。
依据CQF研究所进行的一项查询显现，受访者的公司采用了监督学习(27%)，其次是无监督学习(16%)和强化学习(13%)。但是，许多公司还没有涉足机器学习范畴；27%的受访者表明，他们的公司尚未将机器学习技术运用于量化金融。
-
在监督学习中，计算机依据一组数据输入和输出进行练习，方针是学习将给定输入映射到给定输出的一般规矩。监督学习的首要类型有两种:
1）分类，它需求猜测类别标签;
2）回归，它需求猜测数值。
-
在无监督学习中，学习算法不给予和监督学习的这种方针的辅导；相反，需求它自己发现输入中的形式或结构。无监督学习的两种首要类型是：
1）聚类，这涉及到在数据会集发现具有类似特征的类别（组）；
2）密度估计，这涉及到评价数据集的计算散布。
无监督学习办法还包含数据可视化和投影，这降低了数据的维度，是一种简化形式。
-
在强化学习中，计算机和算法将在动态环境中面对一个问题，当它执行给定的方针时，它将收到反应(奖赏)，得到的反应将继续加强到其学习和方针寻求中。AlphaGo的比如就是一个强化学习的比如；强化学习算法包含Q学习、时刻差学习和深度强化学习。
依据CQF研究所进行的一项查询显现，53%的受访者表明，强化学习将在未来五年内看到最大的增加，其次是深度学习，获得了35%的选票。
机器学习的运用比如
在金融商场中，机器学习被用于自动化买卖、出资组合优化、风险办理，并为出资者供给金融咨询服务(机器人客服参谋)。
关于自动化买卖，买卖员将树立数学模型，剖析金融新闻和买卖活动，以辨认商场趋势，包含买卖量、波动性和或许的异常情况。这些模型将依据一组给定的指令执行买卖，一旦体系树立和运行，就可以在没有直接人工参与的情况下进行买卖。
关于出资组合优化，机器学习技术可以帮忙评价大量数据，确定形式，并为给定的平衡了风险和回报的方针，寻找处理方案。机器学习还可以帮忙检测出资信号和时刻序列猜测。
关于风险办理，机器学习可以帮忙信贷决策，还可以检测可疑买卖或行为，包含KYC合规工作和反诈骗。
KYC是金融机构、银行、买卖所等企业有必要对用户进行实名认证的一项操作规矩，首要用于验证客户身份信息，一般验证需求的三要素就是：姓名+身份证+手机验证，KYC已经是国际社会中所有金融活动中必不可少的环节，首要用于防备反洗钱、身份偷盗、金融诈骗等犯罪行为。
在金融咨询服务方面，机器学习为某些类型的散户出资者供给咨询参谋，帮忙他们完成出资和储蓄的方针。
依据CQF研究所进行的一项查询显现，26%的受访者表明，出资组合优化将在量化金融中看到机器学习技术的最大运用，其次是算法买卖，占23%投票，资产定价、金融科技和加密货币之间三方平局，各获得11%的投票。
回到Samit Ahlawat在2022年4月的演讲中，机器学习在量化金融中运用的具体比如包含以下几个：
- 用于组合简单证券买卖规矩的遗传算法，例如当价格低于或高于某个阈值时买入或卖出。
- 经过练习深度神经网络，利用前史收益猜测未来收益，找到股票价格的非线性形式。
- 运用概率神经网络来辨认证券价格的形式。
- 运用量化模型来评价有效商场假说与现有商场数据的一致性。
Samit指出，在这些比如中，即使运用人工智能技术拟定盈余方针，也很困难。在考虑到买卖成本后，之前的研究得出结论，许多简单的人工智能战略都无法打败简单的买卖规矩。正如他解说的那样，有许多研究，致力于运用新的AI/ML东西来构建可以适应不断改变的商场条件的模型。因此，研究人员不只要对量化金融的数学和金融商场常识有透彻的了解，而且要有很强的机器学习和相关编程技术的技术。从大型资产办理公司，到自营买卖公司，再到对冲基金，在数学、金融和编程这三个范畴的厚实基础对整个行业的量化剖析师越来越重要。
最后欢迎我们点赞、收藏、谈论，转发！欢迎我们重视我的微信大众号！
随机共享无用的计算机常识，微信搜索：进击的Matrix
